基于深度学习的电缆接头毛刺检测方法、设备及存储介质与流程

本技术涉及缺陷检测，尤其涉及一种基于深度学习的电缆接头毛刺检测方法、设备及存储介质。

背景技术：

1、随着科技的迅猛发展和生产力的持续提升，我国在工业智能化及其相关领域取得了巨大的突破。市场对工业产品的外观和质量提出了日益增长的要求，这促使传统的生产模式必须向智能化生产模式转变。从宏观视角来看，制造业的智能化、自动化和无人化已经成为不可避免的趋势。

2、中国电缆行业正在经历规模迅速扩张、产量飞速提升的一段时期，该时期着力于解决国民经济发展和用电问题。但在电缆的生产和加工过程中，容易受到环境中不良因素的影响，从而使电缆接头出现毛刺的现象。毛刺会影响电缆的性能和使用年限，甚至直接造成安全事故的发生。因此，电缆接头毛刺缺陷检测在电缆生产过程中是一个十分重要的环节。

3、最初电缆接头毛刺缺陷检测主要靠人工目检，这种方法不仅成本高、检测效率低，更重要的是会出现大量误检和漏检，在实际的工业环境中并不适用。之后出现了一些特定产品缺陷的检测方法来替代人工检测，例如热红外成像仪、超声波检测仪、x射线或高频检测仪等，但这些检测方法仍然存在材料限制、无法进行缺陷分类等问题，不能很好的满足精确高效的检测要求。

4、目前计算机视觉的检测方法已经在许多工业场景中应用，其中以深度学习的目标检测最为常见。大致流程为：首先使用成像设备对金属生产过程中的表面图像或视频进行拍摄；然后将其输入到训练好的网络模型中；最后，网络模型就可以自动推理出缺陷区域并进行分类。相比于传统方法，基于深度学习的相关方法是根据卷积神经网络(convolutional neural network，cnn)对缺陷样本进行自主学习，还可以通过改进网络结构，参数调整等方式优化网络模型，使之可以检测出面积微小、特征模糊的缺陷。因此基于深度学习的电缆接头表面缺陷检测方法已成为目前工业生产和学术研究的热点。

5、但是由于电缆接头会存在许多尺寸较小、像素占比少并且分布密集的小目标缺陷，其自身存在着语义信息少、覆盖面积小、边缘信息模糊等先天不足的问题。传统的特征提取网络在进行下采样操作时会连续将特征图缩小，可能会损失很多小目标缺陷的位置和语义信息，导致其检测效果并不理想，甚至出现漏检的情况。

技术实现思路

1、本技术提供了一种基于深度学习的电缆接头毛刺检测方法、设备及存储介质，解决了传统特征提取网络在检测目标时可能会损失很多小目标缺陷的位置和语义信息，导致其检测效果并不理想，甚至出现漏检等问题。

2、本技术第一方面提供了一种基于深度学习的电缆接头毛刺检测方法，包括以下步骤：

3、采集电缆接头的典型毛刺缺陷图像，构建数据集；

4、对数据集中的图像进行预处理；

5、将预处理后的图像输入到改进的yolov8网络中，得到电缆接头图像的特征图；

6、所述yolov8网络的改进方法为：在yolov8网络的基础上采用多次跳跃连接，形成密集采样结构；引入空间注意力机制，赋予每个卷积核不同的学习权重，对yolov8网络进行分块处理，将每一个块的内部引入空间注意力机制，块与块之间进行密集采样连接，对图像进行线性变化，增加图像的对比度；

7、结合图像处理算法对特征图中的缺陷区域进行定量分析。

8、本技术提供的技术方案中，通过在传统yolov8网络的基础上采用多次跳跃连接，形成密集采样结构，这种连接方式能够有效地缓解梯度消失问题，并提高模型的训练效率和准确率；通过利用空间注意力机制赋予每个卷积核不同的学习权重，提升了网络对缺陷区域特征的学习效率，降低了网络深度，减少系统损耗，且可以提取到更多的细节信息，降低了漏检的概率，提升了检测效果。

9、在某些实施方式中，对数据集中的图像进行预处理的方法为：

10、采用伽马变换对数据集中图像的灰度进行预处理，图像预处理的公式如下：

11、s＝crγ

12、其中，r为灰度图像的输入值；s为经过伽马变换后的灰度输出值；c为灰度缩放系数；γ为伽马因子，用于控制整个变换的缩放程度；通过对图像进行预处理，可以解决电缆表面特征提取困难的问题。

13、在某些实施方式中，所述密集采样结构的表达式为：

14、xl+1＝h(xl)+xl

15、其中，xl表示yolov8网络第l层的输入，xl+1表示yolov8网络第l层的输出，h(·)表示非线性转化函数。

16、在某些实施方式中，引入空间注意力机制的方法为：采用多头注意力机制替换空间卷积，输入的特征图首先经过并联的最大池化和平均池化，将得到的两个输出特征进行拼接操作，并利用卷积核进行卷积操作，让注意力集中在突出目标的空间特征上；经过池化后的特征图再经过共享的全连接层，在不同尺度上对被压缩后的特征图进行计算，最后通过sigmoid激活函数输出含有空间注意力权重的特征图；本发明通过引入空间注意力机制，充分利用空间注意力机制对特征重新标定的功能，依据特征通道对目标识别贡献大小而设置相应的权重，提升了对缺陷区域特征的学习效率；通过优化nms算法，减少了由于目标重叠而带来漏检的影响；通过使用可变形卷积模块代替部分的卷积模块，加强了网络对不同尺寸目标的自适应能力。

17、在某些实施方式中，结合图像处理算法对特征图中的缺陷区域进行定量分析的方法为：

18、利用缺陷区域与背景在灰度上的差异，合理设定阈值将特征图中的缺陷区域从背景中分割出来，阈值分割算法的表达式如下：

19、

20、其中，f(x，y)为特征图的灰度值，t为灰度阈值；g(x，y)为阈值分割结果，1表示该像素在缺陷区域内，0表示该像素在缺陷区域外；

21、统计缺陷区域包括的像素点数，计算缺陷区域的真实面积，从而实现对电缆接头毛刺缺陷的定量检测分析。

22、在某些实施方式中，在进行定量分析之前，对特征图进行直方图均衡化处理，对特征图进行非线性拉伸，重新分配图像像素，使一定范围内的图像的像素数量近似，从而增加图像的全局对比度，对于背景和前景都太亮或太暗的图像具有很好的优化效果；采用如下公式对特征图进行直方图均衡化处理：

23、

24、其中，r为均衡化处理前特征图的灰度值，s为均衡化处理后特征图的灰度值，np表示像素数，t(·)表示均衡化处理函数。

25、在某些实施方式中，在进行定量分析之前，采用对数变换算法对特征图中低灰度值的部分进行扩展，显示出低灰度部分更多的细节，将特征图中高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度值部分的效果；对数变换公式如下：

26、s＝c·logv+1(1+v·λ)

27、其中，s为对数变换后的灰度值，v为输入像素的灰度值；c为缩放系数，λ为控制像素增强的对比度。

28、本技术第二方面提供了一种电子设备，包括存储器和处理器，所述存储器内存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述检测方法的步骤。

29、本技术第三方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述检测方法的步骤。

30、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。